CN112380847A - 兴趣点处理方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开提供了一种兴趣点处理方法、装置、电子设备及存储介质，涉及深度学习等领域。具体实现方案为：确定目标文章中包含的N个候选兴趣点分别对应的M个维度的相关特征；其中，N和M为大于等于1的整数；将所述N个候选兴趣点分别对应的所述M个维度的相关特征输入预设模型，得到所述预设模型输出的所述N个候选兴趣点与所述目标文章之间的相关性；基于所述N个候选兴趣点与所述目标文章之间的相关性从所述N个候选兴趣点中确定目标兴趣点，在地图应用中将所述目标兴趣点与所述目标文章进行关联。

Description

兴趣点处理方法、装置、电子设备及存储介质

技术领域

本公开涉及计算机技术领域。本公开尤其涉及深度学习领域。

背景技术

随着地图应用越来越被广泛的使用，对与地图应用中的兴趣点的相关内容的展示也具备越来越多的需求。现有技术中，将地图应用相关的内容与地图应用中的兴趣点进行挂接或关联的方法中，需要经过一系列复杂的算法语句来实现，这样就导致后续开发成本过高等问题，也无法提升地图应用中的兴趣点与相关内容之间进行挂接的处理效率以及准确性。

发明内容

本公开提供了一种兴趣点处理方法、装置、电子设备及存储介质。

根据本公开的第一方面，提供了一种兴趣点处理方法，包括：

确定目标文章中包含的N个候选兴趣点分别对应的M个维度的相关特征；其中，N和M为大于等于1的整数；

将所述N个候选兴趣点分别对应的所述M个维度的相关特征输入预设模型，得到所述预设模型输出的所述N个候选兴趣点与所述目标文章之间的相关性；

基于所述N个候选兴趣点与所述目标文章之间的相关性从所述N个候选兴趣点中确定目标兴趣点，在地图应用中将所述目标兴趣点与所述目标文章进行关联。

根据本公开的第二方面，提供了一种兴趣点处理装置，包括：

特征处理模块，用于确定目标文章中包含的N个候选兴趣点分别对应的M个维度的相关特征；其中，N和M为大于等于1的整数；

相关性分析模块，用于将所述N个候选兴趣点分别对应的所述M个维度的相关特征输入预设模型，得到所述预设模型输出的所述N个候选兴趣点与所述目标文章之间的相关性；

兴趣点关联模块，用于基于所述N个候选兴趣点与所述目标文章之间的相关性从所述N个候选兴趣点中确定目标兴趣点，在地图应用中将所述目标兴趣点与所述目标文章进行关联。

根据本公开的第三方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述方法。

根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行前述方法。

采用本申请，可以通过对文章本身包含的候选兴趣点进行多个维度的特征提取，基于预设模型对候选兴趣点的多个维度的特征信息进行相关性分析，最终确定与文章强相关的目标兴趣点，在地图应用中将目标兴趣点与文章进行关联。如此可以提升候选兴趣点的相关性计算效率，避免现有技术中采用大量语句进行分析所带来的开发成本过高，以及无法进行规模化处理的问题。并且，还可以提升地图应用中的兴趣点与文字类内容之间的关联的准确率，丰富了地图应用的内容涵盖范围，也提升了与地图应用相关的文字的内容的点击量。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开实施例的兴趣点处理方法流程示意图；

图2是根据本公开实施例的获取相关特征的处理流程示意图；

图3是根据本公开实施例的兴趣点处理方法的示例性流程图；

图4是根据本公开实施例的兴趣点处理装置组成结构示意图；

图5是是用来实现本公开实施例的兴趣点处理方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本公开实施例提供了一种兴趣点处理方法，如图1所示，包括：

S101：确定目标文章中包含的N个候选兴趣点分别对应的M个维度的相关特征；其中，N和M为大于等于1的整数；

S102：将所述N个候选兴趣点分别对应的所述M个维度的相关特征输入预设模型，得到所述预设模型输出的所述N个候选兴趣点与所述目标文章之间的相关性；

S103：基于所述N个候选兴趣点与所述目标文章之间的相关性从所述N个候选兴趣点中确定目标兴趣点，在地图应用中将所述目标兴趣点与所述目标文章进行关联。

本发明实施例可以应用于电子设备，比如可以是服务器或终端设备。

所述目标文章可以是多个文章中的任意一个。所述多个文章可以是用户当前可以获取到的全部文章。所述多个文章可以为用户从一定类型中选取出来的文章，比如游记类型的文章、美食介绍类型的文章等等。由于对多个文章中任意一个的处理方式均可以采用前述S101-S103，因此仅将其中任意一个文章作为目标文章来进行详细说明，其他文章的处理方与目标文章相同，不做一一赘述。

确定目标文章中包含的N个候选兴趣点分别对应的M个维度的相关特征之前，还可以包括：确定所述目标文章中包含的N个候选兴趣点。

具体的从目标文章中获取N个候选兴趣点的方式可以包括基于预设算法对目标文章进行识别，得到目标文章中包含的N个候选兴趣点。其中，所述预设算法可以是用于对目标文章的文字内容进行切分并标注；相应的，得到目标文章中包含的N个候选兴趣点，可以是将预设算法处理后得到的标注为兴趣点的文字内容作为上述N个候选兴趣点。

所述N个候选兴趣点分别对应的M个维度的相关特征中，每一个候选兴趣点对应的M个维度的相关特征可以包括有候选兴趣点的自身属性特征、候选兴趣点在目标文章中的相关特征、以及目标文章的属性特征。

所述将所述N个候选兴趣点分别对应的所述M个维度的相关特征输入预设模型，得到所述预设模型输出的所述N个候选兴趣点与所述目标文章之间的相关性，可以是：将当前提取得到的目标文章的全部候选兴趣点及其相关特征均输入到预设模型中，得到预设模型输出的全部候选兴趣点所对应的相关性。或者，可以是以候选兴趣点为单位，逐个输入每一个候选兴趣点所对应的M个维度的相关特征到所述预设模型，得到所述预设模型输出的每一个候选兴趣点与所述目标文章之间的相关性。

所述预设模型可以是根据实际情况设置的，比如所述预设模型可以是GBDT(Gradient Boosting Decision Tree，梯度下降树)模型。还可以采用其他由二分类决策树(或二叉树)组成的模型作为该预设模型，比如，可以是XGBoost(eXtreme GradientBoosting，极端梯度提升)模型，这里不做穷举。

基于所述N个候选兴趣点与所述目标文章之间的相关性从所述N个候选兴趣点中确定目标兴趣点中，确定或选择目标兴趣点的方式可以包括：

选择相关性得分高于相关性阈值的候选兴趣点作为目标兴趣点。其中，相关性阈值可以根据实际情况进行设置；

或者，选择相关性最高的一个或多个候选兴趣点作为所述目标兴趣点；具体选取相关性最高的候选兴趣点的数量可以是根据预设数量，也就是，选择相关性最高的预设数量个候选兴趣点作为目标兴趣点。比如，预设数量为3，那么可以将N个候选兴趣点按照相关性从高到低进行排序，从中选取相关性最高的3个候选兴趣点作为目标兴趣点。

无论采用上述哪种方式选取目标兴趣点，得到的一个或多个所述目标兴趣点均为与目标文章之间强相关的目标兴趣点。

在确定上述一个或多个目标兴趣点之后，将地图应用中目标兴趣点与所述目标文章进行关联。也就是说，在地图应用中先获取上述一个或多个目标兴趣点，将上述一个或多个目标兴趣点均与所述目标文章进行挂接，也就是关联。在后续用户使用或打开地图应用的时候，可以通过点击地图应用中的某一个目标兴趣点关联到其对应的目标文章以供用户查看。

通过上述方案，可以通过对文章本身包含的候选兴趣点进行多个维度的特征提取，基于预设模型对候选兴趣点的多个维度的特征信息进行相关性分析，最终确定与文章强相关的目标兴趣点，在地图应用中将目标兴趣点与文章进行关联。如此可以提升候选兴趣点的相关性计算效率，避免现有技术中采用大量语句进行分析所带来的开发成本过高，以及无法进行规模化处理的问题。并且，还可以提升地图应用中的兴趣点与文字类内容之间的关联的准确率，丰富了地图应用的内容涵盖范围，也提升了与地图应用相关的文字的内容的点击量。

上述S101中，确定目标文章中包含的N个候选兴趣点分别对应的M个维度的相关特征，可以如图2所示，包括：

S201：对所述目标文章的内容进行识别，得到所述目标文章中包含的所述N个候选兴趣点；

S202：基于所述N个候选兴趣点的相关信息和/或所述目标文章的内容，确定所述N个候选兴趣点分别对应的M个维度的相关特征。

其中，所述对所述目标文章的内容进行识别得到所述N个候选兴趣点，可以具体为：采用预设算法对所述目标文章中包含的内容进行切分，以及对切分得到的文字内容进行标注；在文字内容的标注为兴趣点的情况下，将该文字内容作为识别得到的候选兴趣点。

所述目标文章的内容可以包含有目标文章的标题以及目标文章的正文。进一步地，目标文章的正文可以包括有目标文章的正文中包含的全部文字和/或图片。

这里，所述预设算法可以是根据实际情况选取的，只要能够实现对文章中的多个文字进行切分得到一个或多个文字内容，并且可以对每一个文字内容进行标注的算法，均在本实施例的保护范围内。

其中，对文字内容进行标注可以是对文字内容进行类别或类型的标注，比如，某一个目标文章，其切分得到的多个文字内容，其中有部分文字内容的标注可以是兴趣点，部分文字内容的标注可以是标题，还可以有部分文字内容的标注是地理位置等等。上述标注在其他示例中可能会称为标签、属性标识、或属性标签等等，但是无论是哪种名称，只要可以用于表征文字内容的类别或类型均在本实施例的保护范围内。

基于所述N个候选兴趣点和/或所述目标文章的内容，得到所述N个候选兴趣点分别对应的M个维度的相关特征，可以是：基于所述N个候选兴趣点中的第i个候选兴趣点和/或所述目标文章中包含的内容，确定第i个候选兴趣点的自身属性特征、目标文章的属性特征、以及所述候选兴趣点在所述目标文章中的相关特征中的至少之一。其中，i为大于等于1且小于等于N的整数。也就是说，针对N个候选兴趣点中的每一个候选兴趣点均可以确定与上述第i个候选兴趣点同样维度的特征信息，这里不对其一一赘述。

需要理解的是，目标文章的属性特征，可以是所述目标文章包含的N个候选兴趣点均包含的特征信息。可以是对目标文章进行一次分析得到目标文章的属性特征后，将其添加至N个候选兴趣点分别对应的M个维度特征信息中。

示例性的，所述N个候选兴趣点中的第i个候选兴趣点的所述M个维度的相关特征，具体可以是10个维度的相关信息，比如可以包括：

第i个候选兴趣点的核心词在目标文章的标题中出现的次数；

第i个候选兴趣点的非核心词在目标文章的标题中出现的次数；

第i个候选兴趣点的核心词在目标文章的正文中出现的次数；

第i个候选兴趣点的非核心词在目标文章的正文中出现的次数；

第i个候选兴趣点所对应的地址信息是否在目标文章中出现；

第i个候选兴趣点的分类信息；

第i个候选兴趣点是否包含分店信息；

目标文章的分类；

目标文章的正文的长度；

目标文章中是否包含预设关键词。

其中，所述预设关键词可以根据实际情况进行设置，比如，可以包括游记、攻略、旅游、美食等等。

上述多个维度的特征信息仅为示例，实际处理中可以使用更多维度的特征，也可以仅使用其中部分维度的特征信息。

如此，可以直接从目标文章中获取到候选兴趣点，再结合目标文章的相关信息和/或候选兴趣点本身的相关信息进行多个维度的特征信息的确定，使得获取到的候选兴趣点的M个维度的相关特征能体现兴趣点与目标文章之间的关系，为后续进行兴趣点与目标文章之间的相关性的确定提供更加准确的信息。

再具体来说，所述基于所述N个候选兴趣点的相关信息和/或所述目标文章的内容，确定所述N个候选兴趣点分别对应的M个维度的相关特征，包括以下至少之一：

基于所述N个候选兴趣点中的第i个候选兴趣点的相关信息，确定所述第i个候选兴趣点的自身属性特征；i为大于等于1且小于等于N的整数；

基于所述N个候选兴趣点中的第i个候选兴趣点的相关信息以及所述目标文章的内容，确定所述第i个候选兴趣点与所述目标文章相关的特征信息。

其中，基于所述N个候选兴趣点中的第i个候选兴趣点的相关信息，确定所述第i个候选兴趣点的自身属性特征，可以包括：

基于所述第i个候选兴趣点的相关信息，确定所述第i个候选兴趣点的分类；

基于所述第i个候选兴趣点的相关信息，确定所述第i个候选兴趣点对应的分店名称。

也就是说，所述第i个候选兴趣点的自身属性特征可以包括有第i个候选兴趣点本身的分类、及其是否包含分店名称等等。

确定所述第i个候选兴趣点的分类的方式，可以是将第i个候选兴趣点的名称输入分类模型，得到分类模型输出的结果，将该结果作为第i个候选兴趣点的分类。其中，分类模型可以为预训练好的模型。

确定所述第i个候选兴趣点对应的分店名称的方式，可以是根据第i个候选兴趣点的相关信息中的扩展信息判断第i个候选兴趣点是否包括分店名称，若包括，则提取该分店名称。

进一步地，第i个候选兴趣点的相关信息可以包括有第i个候选兴趣点的名称及扩展信息。也就是说，在从目标文章中获取第i个候选兴趣点的时候，并非仅获取第i个候选兴趣点的名称，还可以获取到目标文章中与其相关的扩展信息；另外，所述扩展信息在目标文章中可以是与第i个候选兴趣点的名称相邻位置的文字内容，比如，XXX(地址A处的分店)，则其中XXX可以是第i个候选兴趣点的名称，地址A处的分店则为第i个候选兴趣点的扩展信息。该扩展信息中可以包括有与第i个候选兴趣点相关的分店名称或者地址信息等等，当然扩展信息还可以包括其他的信息这里不做穷举。

前述已经说明，所述目标文章的内容可以包括目标文章的标题以及目标文章的正文。所述第i个候选兴趣点的相关信息，包括第i个候选兴趣点的名称以及扩展信息。

相应的，所述基于所述N个候选兴趣点中的第i个候选兴趣点的相关信息以及所述目标文章的内容，确定所述第i个候选兴趣点与所述目标文章相关的特征信息，可以包括以下至少之一：

对所述第i个候选兴趣点的相关信息进行切分得到核心词，检测所述核心词在所述目标文章的标题中出现的次数；

对所述第i个候选兴趣点的相关信息进行切分得到核心词以及非核心词，检测所述非核心词在所述目标文章的标题中出现的次数；

对所述第i个候选兴趣点的相关信息进行切分得到核心词，检测所述核心词在所述目标文章的正文中出现的次数；其中，所述目标文章的正文可以包括除所述目标文章的所述标题之外的全部内容；

对所述第i个候选兴趣点的相关信息进行切分得到核心词以及非核心词，检测所述非核心词在所述目标文章的正文中出现的次数；

从所述第i个候选兴趣点的相关信息中获取地址解析信息，检测所述地址解析信息在所述目标文章中是否出现。

其中，所述核心词在所述目标文章的标题中出现的次数可以表示为特征信息“Core_N_gram_title”；其中core表示核心词，title表示目标文章的标题，N_gram是一种基于统计语言模型的算法，是将目标文章里面的标题的内容按照字节进行大小为N的滑动窗口操作，形成了长度是N的字节片段序列。进一步地，每一个字节片段，比如上述第i个候选兴趣点的核心词可以称为gram，对目标文章里面的标题的内容里所有gram的出现频度进行统计。

所述非核心词在所述目标文章的标题中出现的次数可以表示为特征信息“Non_core_N_gram_title”；其中Non_core表示非核心词，title以及N_gram的解释与前述相同，不做重复说明。

所述核心词在所述目标文章的正文中出现的次数可以表示为特征信息“Core_N_gram_content”；其中content表示目标文章的正文，Core以及N_gram的说明与前述相同，不做重复说明。

所述非核心词在所述目标文章的正文中出现的次数可以表示为特征信息“Non_core_N_gram_content”；其中content表示目标文章的正文，Non_core以及N_gram的说明与前述相同，不做重复说明。

所述地址解析信息在所述目标文章中是否出现可以表示为特征信息“Poi_name”，其中POI为point of interesting即兴趣点，通过该特征信息来表示地址解析信息是否在目标文章出现，其中，可以包括有是或否，比如1或0的输出，还可以包括有出现次数，这里不做穷举。

进一步需要理解的是，上述处理还可以包括：对第i个候选兴趣点进行切分得到至少一个分词，从至少一个分词中确定第i个候选兴趣点的核心词，将除核心词之外的其他分词作为第i个候选兴趣点的非核心词。具体确定哪个分词为核心词的方式可以有多种，比如与一个或多个预设核心词进行匹配等等，这里不做穷举。

可见，通过采用上述处理，可以得到候选兴趣点的自身属性特征以及候选兴趣点在目标文章中的相关特征，如此可以为后续进行相关性的确定提供更加丰富的特征信息的维度，提升分析候选兴趣点与目标文章之间的相关性的准确性。

所述基于所述N个候选兴趣点的相关信息和/或所述目标文章的内容，确定所述N个候选兴趣点分别对应的M个维度的相关特征，还包括：

基于所述目标文章的内容确定所述目标文章的属性特征，将所述目标文章的属性特征添加至所述N个候选兴趣点分别对应的M个维度的相关特征中。

具体来说，所述目标文章的内容可以包括目标文章的标题以及目标文章的正文；相应的，所述基于所述目标文章的内容确定所述目标文章的属性特征，可以具体包括：

基于所述目标文章的正文，确定所述目标文章的正文的长度；其中，所述长度可以包括字数、行数、页数等至少之一；

基于所述目标文章的标题，确定所述目标文章的分类；

基于所述目标文章的标题和/或所述目标文章的正文，以及预设关键词，确定所述目标文章与预设关键词是否匹配，将匹配结果作为目标文章的关键词匹配特征信息。

具体的，所述目标文章的正文的长度可以表示为特征信息“Content_length”，其中“Content”表示正文，“length”为长度；长度的含义可以是字数、行数、页数中至少之一。

所述目标文章的分类可以表示为特征信息“Topic_class”，其中“Topic”为标题，“class”表示分类。

所述目标文章的关键词匹配特征信息可以表示为特征信息“Youji/gonglv”。

进一步需要指出的是，基于所述目标文章的标题，确定所述目标文章的分类可以是基于预设的分类模型，或可以称为标题分类模型实现的，比如可以将目标文章的题目输入分类模型，得到分类模型输出的结果。具体的分类模型的训练方式本实施例不做限定。

上述目标文章的属性特征包括的所述目标文章的正文的长度、所述目标文章的分类、所述目标文章的关键词匹配特征信息，可以作为所述目标文章中包含的N个候选兴趣点均包含的特征信息。比如，可以先对目标文章进行上述属性特征的获取，将上述属性特征添加到全部N个候选兴趣点所对应的M个维度的相关特征中。

示例性的，N个候选兴趣点中，每一个候选兴趣点的M个维度的相关特征，可以包括以下10个：候选兴趣点的核心词在目标文章的标题中出现的次数；候选兴趣点的非核心词在目标文章的标题中出现的次数；候选兴趣点的核心词在目标文章的正文中出现的次数；候选兴趣点的非核心词在目标文章的正文中出现的次数；候选兴趣点所对应的地址信息是否在目标文章中出现；候选兴趣点的分类信息；候选兴趣点是否包含分店信息；目标文章的分类；目标文章的正文的长度；目标文章中是否包含预设关键词。上述10个维度的特征信息仅为示例性说明，实际处理中可以使用更多维度的特征，也可以仅使用上述10个维度中的部分维度的特征信息。可以根据实际情况进行增减，本实施例不进行穷举。

可见，通过采用上述处理，可以得到候选兴趣点的自身属性特征以及候选兴趣点在目标文章中的相关特征，并且可以在候选兴趣点的多个维度的特征信息中增加目标文章的相关特征，如此可以为后续进行相关性的确定提供更加丰富的特征信息的维度，提升分析候选兴趣点与目标文章之间的相关性的准确性。

所述基于所述N个候选兴趣点与所述目标文章之间的相关性从所述N个候选兴趣点中确定目标兴趣点，包括：

从所述N个候选兴趣点中，选取相关性超过相关性阈值的候选兴趣点；将所述超过相关性阈值的候选兴趣点作为所述目标兴趣点。

具体来说，可以预先设置一个或多个相关性阈值，比如，可以设置强相关的相关性阈值、弱相关的相关性阈值；又或者可以仅设置一个相关性阈值等等。

举例来说，一种示例中，预先设置一个相关性阈值；

相应的，可以是从所述N个候选兴趣点中，选取相关性超过预设相关性阈值的一个或多个候选兴趣点。也就是将N个候选兴趣点中相关性得分大于预设相关性阈值的候选兴趣点均作为目标兴趣点。这些目标兴趣点为与目标文章强相关的目标兴趣点。

这种示例中，得到目标文章中包含的目标兴趣点之后，将地图应用中的这些强相关的目标兴趣点，与该目标文章进行关联。

比如，目标文章中有10个候选兴趣点，分别为兴趣点1～兴趣点10；经过预设模型进行相关性计算后，分别得到兴趣点1～兴趣点10分别对应的10个相关性得分。假设预设相关性阈值为1.4，从兴趣点1～兴趣点10中选取出来兴趣点1、兴趣点3、兴趣点4的相关性得分大于该相关性阈值，则将兴趣点1、兴趣点3、兴趣点4作为目标兴趣点。在地图应用中，将兴趣点1、兴趣点3、兴趣点4分别与该目标文章进行挂接。

后续在用户打开地图应用的时候，如果想要查看地图应用的兴趣点1的其他相关文章的时候，就可以为用户提供上述目标文章，以供用户直接点击查看。

又一种示例中，预先设置两个相关性阈值，分别为强相关的相关性阈值、弱相关的相关性阈值；其中，强相关的相关性阈值可以是1.4、弱相关的相关性阈值可以是0.4。实际处理中具体的数值可以与上述相同或不同，只要保证强相关的相关性阈值大于弱相关的相关性阈值即均在本实施例的保护范围内。

从所述N个候选兴趣点中，选取相关性超过相关性阈值的候选兴趣点，可以包括：

将N个候选兴趣点中相关性大于强相关的相关性阈值的候选兴趣点作为强相关目标兴趣点；

将N个候选兴趣点中相关性大于预设弱相关的相关性阈值并且小于或等于强相关的相关性阈值的候选兴趣点作为弱相关目标兴趣点；

将N个候选兴趣点中相关性得分小于预设弱相关的相关性阈值的候选兴趣点作为不相关兴趣点。

相应的，所述将所述超过相关性阈值的候选兴趣点作为所述目标兴趣点，可以是将强相关目标兴趣点以及弱相关目标兴趣点均作为所述目标兴趣点。也就是，所述目标兴趣点中包括：强相关目标兴趣点以及弱相关目标兴趣点。

在地图应用中将上述强相关目标兴趣点、以及弱相关目标兴趣点，与该目标文章进行关联或挂接。

结合图3举例来说，从目标文章中识别得到5个候选兴趣点，分别为兴趣点1～兴趣点5；对兴趣点1～兴趣点5分别获取对应的10个维度的相关特征；经过预设模型(具体可以是GBDT模型)进行相关性计算后，分别得到兴趣点1～兴趣点5分别对应的相关性(或称为相关性得分)。

假设强相关的相关性阈值为1.4，弱相关的相关性阈值为0.4。从兴趣点1～兴趣点5中选出兴趣点1、兴趣点3的相关性大于该强相关的相关性阈值，则将兴趣点1、兴趣点3作为强相关目标兴趣点；兴趣点2的相关性得分大于弱相关的相关性阈值且小于或等于强相关的相关性阈值，则兴趣点2为弱相关目标兴趣点。在地图应用中将兴趣点1、兴趣点3、兴趣点2分别与该目标文章进行关联。其中，在地图应用中将兴趣点1、兴趣点3、兴趣点2分别与该目标文章进行关联可以具体为在地图应用中将兴趣点1、兴趣点3、兴趣点2分别与该目标文章进行挂接。

后续在用户打开地图应用的时候，如果想要查看地图应用的兴趣点1的相关文章的时候，就可以为用户提供上述目标文章，以供用户直接查看。

采用上述方案，可以对目标文章本身包含的候选兴趣点进行多个维度的特征提取，基于候选兴趣点的多个维度的特征信息进行相关性分析，基于候选兴趣点的相关性，将高于相关性阈值的候选兴趣点作为目标兴趣点，最终可以在地图中将该目标兴趣点与文章进行关联。如此，使得地图应用的兴趣点所挂接的目标文章与兴趣点之间的相关性较高，从而提升了地图中兴趣点与文字类内容之间的关联的准确率，丰富了地图应用的内容涵盖范围，并且可以避免了用户点击兴趣点进行相关文字内容获取的时候得到大量无效信息，进一步可以提升与地图应用相关的文字的内容的点击量。

根据本申请的实施例，本申请还提供了一种兴趣点处理装置，如图4所示，包括：

特征处理模块401，用于确定目标文章中包含的N个候选兴趣点分别对应的M个维度的相关特征；其中，N和M为大于等于1的整数；

相关性分析模块402，用于将所述N个候选兴趣点分别对应的所述M个维度的相关特征输入预设模型，得到所述预设模型输出的所述N个候选兴趣点与所述目标文章之间的相关性；

兴趣点关联模块403，用于基于所述N个候选兴趣点与所述目标文章之间的相关性从所述N个候选兴趣点中确定目标兴趣点，在地图应用中将所述目标兴趣点与所述目标文章进行关联。

所述特征处理模块401，用于对所述目标文章的内容进行识别，得到所述目标文章中包含的所述N个候选兴趣点；基于所述N个候选兴趣点的相关信息和/或所述目标文章的内容，确定所述N个候选兴趣点分别对应的M个维度的相关特征。

所述特征处理模块401，用于执行以下至少之一：

基于所述N个候选兴趣点中的第i个候选兴趣点的相关信息，确定所述第i个候选兴趣点的自身属性特征；i为大于等于1且小于等于N的整数；

基于所述N个候选兴趣点中的第i个候选兴趣点的相关信息以及所述目标文章的内容，确定所述第i个候选兴趣点与所述目标文章相关的特征信息。

所述特征处理模块401，用于基于所述目标文章的内容确定所述目标文章的属性特征，将所述目标文章的属性特征添加至所述N个候选兴趣点分别对应的M个维度的相关特征中。

所述兴趣点关联模块403，用于从所述N个候选兴趣点中，选取相关性超过相关性阈值的候选兴趣点；将所述超过相关性阈值的候选兴趣点作为所述目标兴趣点。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图5所示，是根据本申请实施例的兴趣点处理方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图5所示，该电子设备包括：一个或多个处理器701、存储器702，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器701为例。

存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的兴趣点处理方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的兴趣点处理方法。

存储器702作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的兴趣点处理方法对应的程序指令/模块(例如，附图4所示的特征处理模块、相关性分析模块、兴趣点关联模块)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的兴趣点处理方法。

存储器702可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据兴趣点处理的电子设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至兴趣点处理的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

兴趣点处理的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图5中以通过总线连接为例。

输入装置703可接收输入的数字或字符信息，以及产生与XXX的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入、或者触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS)服务中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

根据本申请实施例的技术方案，可以通过对文章本身包含的候选兴趣点进行多个维度的特征提取，基于预设模型对候选兴趣点的多个维度的特征信息进行相关性分析，最终确定与文章强相关的目标兴趣点，在地图应用中将目标兴趣点与文章进行关联。如此可以提升候选兴趣点的相关性计算效率，避免现有技术中采用大量语句进行分析所带来的开发成本过高，以及无法进行规模化处理的问题。并且，还可以提升地图应用中的兴趣点与文字类内容之间的关联的准确率，丰富了地图应用的内容涵盖范围，也提升了与地图应用相关的文字的内容的点击量。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (12)

1.一种兴趣点处理方法，包括：

确定目标文章中包含的N个候选兴趣点分别对应的M个维度的相关特征；其中，N和M为大于等于1的整数；

将所述N个候选兴趣点分别对应的所述M个维度的相关特征输入预设模型，得到所述预设模型输出的所述N个候选兴趣点与所述目标文章之间的相关性；

基于所述N个候选兴趣点与所述目标文章之间的相关性从所述N个候选兴趣点中确定目标兴趣点，在地图应用中将所述目标兴趣点与所述目标文章进行关联。

2.根据权利要求1所述的方法，其中，所述确定目标文章中包含的N个候选兴趣点分别对应的M个维度的相关特征，包括：

对所述目标文章的内容进行识别，得到所述目标文章中包含的所述N个候选兴趣点；

基于所述N个候选兴趣点的相关信息和/或所述目标文章的内容，确定所述N个候选兴趣点分别对应的M个维度的相关特征。

3.根据权利要求2所述的方法，其中，所述基于所述N个候选兴趣点的相关信息和/或所述目标文章的内容，确定所述N个候选兴趣点分别对应的M个维度的相关特征，包括以下至少之一：

基于所述N个候选兴趣点中的第i个候选兴趣点的相关信息，确定所述第i个候选兴趣点的自身属性特征；i为大于等于1且小于等于N的整数；

基于所述N个候选兴趣点中的第i个候选兴趣点的相关信息以及所述目标文章的内容，确定所述第i个候选兴趣点与所述目标文章相关的特征信息。

4.根据权利要求3所述的方法，其中，所述基于所述N个候选兴趣点的相关信息和/或所述目标文章的内容，确定所述N个候选兴趣点分别对应的M个维度的相关特征，还包括：

基于所述目标文章的内容确定所述目标文章的属性特征，将所述目标文章的属性特征添加至所述N个候选兴趣点分别对应的M个维度的相关特征中。

5.根据权利要求1-4任一项所述的方法，其中，所述基于所述N个候选兴趣点与所述目标文章之间的相关性从所述N个候选兴趣点中确定目标兴趣点，包括：

从所述N个候选兴趣点中，选取相关性超过相关性阈值的候选兴趣点；将所述超过相关性阈值的候选兴趣点作为所述目标兴趣点。

6.一种兴趣点处理装置，包括：

特征处理模块，用于确定目标文章中包含的N个候选兴趣点分别对应的M个维度的相关特征；其中，N和M为大于等于1的整数；

相关性分析模块，用于将所述N个候选兴趣点分别对应的所述M个维度的相关特征输入预设模型，得到所述预设模型输出的所述N个候选兴趣点与所述目标文章之间的相关性；

兴趣点关联模块，用于基于所述N个候选兴趣点与所述目标文章之间的相关性从所述N个候选兴趣点中确定目标兴趣点，在地图应用中将所述目标兴趣点与所述目标文章进行关联。

7.根据权利要求6所述的装置，其中，所述特征处理模块，用于对所述目标文章的内容进行识别，得到所述目标文章中包含的所述N个候选兴趣点；基于所述N个候选兴趣点的相关信息和/或所述目标文章的内容，确定所述N个候选兴趣点分别对应的M个维度的相关特征。

8.根据权利要求7所述的装置，其中，所述特征处理模块，用于执行以下至少之一：

基于所述N个候选兴趣点中的第i个候选兴趣点的相关信息，确定所述第i个候选兴趣点的自身属性特征；i为大于等于1且小于等于N的整数；

基于所述N个候选兴趣点中的第i个候选兴趣点的相关信息以及所述目标文章的内容，确定所述第i个候选兴趣点与所述目标文章相关的特征信息。

9.根据权利要求8所述的装置，其中，所述特征处理模块，用于基于所述目标文章的内容确定所述目标文章的属性特征，将所述目标文章的属性特征添加至所述N个候选兴趣点分别对应的M个维度的相关特征中。

10.根据权利要求6-9任一项所述的装置，其中，所述兴趣点关联模块，用于从所述N个候选兴趣点中，选取相关性超过相关性阈值的候选兴趣点；将所述超过相关性阈值的候选兴趣点作为所述目标兴趣点。

11.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。

12.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。

Images